現(xiàn)代化社會中,機(jī)械設(shè)備朝著越來越大型,越來越復(fù)雜,越來越精密,越來越智能發(fā)展。但是,隨著其復(fù)雜程度的不斷提升,出現(xiàn)的故障種類也越來越多,傳統(tǒng)維護(hù)方法所用的時間長,成本高,嚴(yán)重影響了生產(chǎn)效率,需要使用機(jī)器學(xué)習(xí)的方法進(jìn)行自動的故障診斷。近年來,機(jī)械故障診斷技術(shù)被廣泛應(yīng)用于電池電路,電子設(shè)備,變速箱齒輪箱,風(fēng)力發(fā)電機(jī),鐵路道岔等方面。而隨著采樣點數(shù)、采樣頻率、和連續(xù)采樣時間的不斷增加,監(jiān)測系統(tǒng)的數(shù)據(jù)量大大提升,使得故障特征越來越復(fù)雜,機(jī)械零件之間的聯(lián)系也大大增加,特征提取的難度大大增加。而端對端的一維卷積神經(jīng)網(wǎng)絡(luò)不需要人工進(jìn)行特定的特征提取,在這一方面明顯優(yōu)于特征提取加特征分類的傳統(tǒng)機(jī)器學(xué)習(xí)方法。本課題設(shè)計了一種可以直接作用在時域信號上的故障診斷1DCNN（1Dimension Convolutional Neural Networks）網(wǎng)絡(luò)結(jié)構(gòu)�；�1DCNN設(shè)計了一種緊湊型的網(wǎng)絡(luò)結(jié)構(gòu),采用大而淺的網(wǎng)絡(luò)設(shè)計自動提取特征,然后使用全連接神經(jīng)網(wǎng)絡(luò)和softmax激活函數(shù)進(jìn)行多分類,采用交叉熵?fù)p失函數(shù),采用Adam優(yōu)化學(xué)習(xí)率和下降方向。網(wǎng)絡(luò)采用端對端的設(shè)計,不需要人工進(jìn)行特定的特征提取;采用緊湊... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 國內(nèi)外研究現(xiàn)狀的簡析
    1.3 主要研究內(nèi)容
第二章 故障診斷算法和軟件平臺方案
    2.1 整體方案設(shè)計
    2.2 機(jī)械故障數(shù)據(jù)分析
        2.2.1 CWRU故障數(shù)據(jù)統(tǒng)計
        2.2.2 固定負(fù)載的樣本劃分
        2.2.3 混合負(fù)載的樣本劃分
    2.3 本章小結(jié)
第三章 基于1DCNN的故障診斷算法
    3.1 1DCNN結(jié)構(gòu)設(shè)計
        3.1.1 卷積層
        3.1.2 池化層
        3.1.3 激活函數(shù)
        3.1.4 全連接層
        3.1.5 卷積核大小和卷積層數(shù)的設(shè)計
    3.2 1DCNN的損失函數(shù)和網(wǎng)絡(luò)傳播過程
        3.2.1 Softmax的交叉熵?fù)p失函數(shù)
        3.2.2 全連接層的傳播過程
        3.2.3 一維卷積層傳播過程
        3.2.4 最大池化傳播過程
    3.3 Adam優(yōu)化
    3.4 1DCNN性能測試
        3.4.1 實際測試的模型參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 固定負(fù)載的測試結(jié)果
        3.4.3 混合負(fù)載的測試結(jié)果
    3.5 本章小結(jié)
第四章 算法的抗噪性能設(shè)計
    4.1 引言
    4.2 1DCNN初始模型抗噪性能測試
    4.3 1DCNN針對抗噪性能的優(yōu)化
        4.3.1 批大小對抗噪性能的影響
        4.3.2 正則化處理
        4.3.3 批標(biāo)準(zhǔn)化處理
        4.3.4 隨機(jī)失活算法
        4.3.5 卷積核大小對網(wǎng)絡(luò)性能的影響
        4.3.6 抗噪聲最終方案
    4.4 本章小結(jié)
第五章 故障診斷軟件平臺設(shè)計
    5.1 上位機(jī)軟件系統(tǒng)設(shè)計
        5.1.1 軟件主體結(jié)構(gòu)設(shè)計
        5.1.2 通訊協(xié)議與通訊方式的選擇
    5.2 上位機(jī)界面和功能
        5.2.1 節(jié)點切換部分
        5.2.2 數(shù)據(jù)顯示部分
        5.2.3 功能選擇部分
        5.2.4 實時診斷功能的實現(xiàn)
    5.3 軟件平臺實際測試
        5.3.1 數(shù)據(jù)采集系統(tǒng)介紹
        5.3.2 上位機(jī)功能測試
        5.3.3 故障診斷功能測試
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于多任務(wù)深度學(xué)習(xí)的齒輪箱多故障診斷方法[J]. 趙曉平,吳家新,錢承山,張永宏,王麗華.  振動與沖擊. 2019(23)
[2]基于平移不變CNN的機(jī)械故障診斷研究[J]. 朱會杰,王新晴,芮挺,張欲保,李艷峰.  振動與沖擊. 2019(05)
[3]卷積神經(jīng)網(wǎng)絡(luò)在機(jī)械設(shè)備故障診斷領(lǐng)域應(yīng)用與挑戰(zhàn)[J]. 黃鑫,陳仁祥,黃鈺.  制造技術(shù)與機(jī)床. 2019(01)
[4]Adam優(yōu)化的CNN超分辨率重建[J]. 趙小強(qiáng),宋昭漾.  計算機(jī)科學(xué)與探索. 2019(05)
[5]旋轉(zhuǎn)機(jī)械故障診斷與狀態(tài)監(jiān)測發(fā)展綜述[J]. 吳秀星,關(guān)佳亮.  設(shè)備管理與維修. 2018(10)
[6]基于AGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)機(jī)故障診斷[J]. 余發(fā)山,高勇.  軟件導(dǎo)刊. 2017(09)
[7]一種機(jī)械故障診斷多傳感器數(shù)據(jù)融合特征提取的方法[J]. 王江萍,婁尚,楊志芹.  西安石油大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[8]基于經(jīng)驗小波變換的機(jī)械故障診斷方法研究[J]. 李志農(nóng),朱明,褚福磊,肖堯先.  儀器儀表學(xué)報. 2014(11)
[9]基于瞬時能量熵和SVM的滾動軸承故障診斷[J]. 姚亞夫,張星.  電子測量與儀器學(xué)報. 2013(10)
[10]基于GA-SVM的多總線自動化測試系統(tǒng)故障診斷優(yōu)化研究[J]. 宋冬冬,馬玉泉,林紅舉.  電子測量與儀器學(xué)報. 2013(02)

博士論文
[1]旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測方法及其應(yīng)用研究[D]. 武哲.北京交通大學(xué) 2016



本文編號：3471016